Maskinlæring

Maskinlæring er et underområde indenfor datalogi og kunstig intelligens, som sætter computere i stand til at lære, uden at man eksplicit har programmeret, hvordan læringen foregår. Maskinlæring tager udgangspunkt i data og forsker i, og konstruerer algoritmer, der på basis af en stor mængde eksempeldata, kan finde, sammenhænge, udarbejde forudsigelser og mønstre baseret på data.^[1] Maskinlæring bliver ofte forvekslet med Deep learning, som er en del af maskinlæring. Deep learning er mønstergenkendelse igennem neurale netværk .^[2]

Maskinlæringsalgoritmer kan opdeles i fem hovedskoler.^[3]

Symbolisterne, som arbejder med induktionsalgoritmer
Connectionnisterne, der arbejder med backpropagation[-algoritmen] primært gennem [kunstige] neurale netværk
Evolutionisterne, som arbejder med genetiske algoritmer
Bayesianisterne, der arbejder med statistisk baserede algoritmer ^[4]
Sammenlignerne, der arbejder med algoritmer baseret på at finde de nærmeste naboer ^[5]

Noter redigér

^ Machine Learning: What it is and why it matters | SAS Denmark
^ https://towardsdatascience.com/deep-learning-vs-machine-learning-e0a9cb2f288
^ Pedro Domingos, Professor of computer science at the University of Washington in Seattle and recipient of the SIGKDD Innovation Award. [1] ? (Webside ikke længere tilgængelig) ?
^ en:Bayesian network
^ en:Cluster analysis, K-nærmeste naboer

[1] Machine Learning: What it is and why it matters | SAS Denmark

[2] ttps://towardsdatascience.com/deep-learning-vs-machine-learning-e0a9cb2f288

[3] Pedro Domingos, Professor of computer science at the University of Washington in Seattle and recipient of the SIGKDD Innovation Award. [1] ? (Webside ikke længere tilgængelig) ?

[4] :Bayesian network

[5] :Cluster analysis, K-nærmeste naboer

[1]

[2]

[3]

[4]

[5]